一种用于方言口音语音识别的字典自适应技术

基于标准普通话的语音识别系统在识别带有方言口音的普通话时,识别率会下降很多。针对这一问题,论文介绍了一种“字典自适应技术”。文中首先提出了一种自动标注算法,然后以此为基础,通过分析语音数据,统计出带有方言口音普通话的发音规律,然后把这个规律编码到标准普通话字典里,构造出体现这种方言发音特征的新字典,最后把新字典整合于搜索框架,用于识别带有该方言口音的普通话,使识别率得到显著提高。

基于自适应字典压缩感知的欠定工作模态参数识别

针对基于稀疏成分分析和正交基压缩感知的欠定工作模态参数识别方法准确率低、鲁棒性差的问题,提出一种基于自适应字典压缩感知的欠定工作模态参数识别方法。所提方法在模态振型估计的基础上利用自适应字典压缩感知重构模态坐标响应。在压缩感知框架下,首先,所提方法利用滤波分离的方法构造字典学习的训练样本;然后,使用基于K均值奇异值分解的字典学习方法和层次耦合字典训练策略生成自适应字典,实现了无监督的字典学习;最后,利用正交匹配追踪算法得到稀疏系数分量,进而恢复源信号重构模态坐标响应。在压缩感知框架下,所提方法利用K均值奇异值分解算法学习得到的自适应字典,对于信号的分解比傅里叶基或离散余弦基等正交基具有更强的稀疏表示能力。在5自由度的仿真数据集下的欠定工作模态参数识别的结果表明,所提方法比稀疏成分分析、正交基压缩感知等方法具有更好的识别精度和鲁棒性。

基于字典尺度自适应学习的欠定盲语音重构算法

针对欠定盲语音分离传统字典学习算法不能优化字典尺寸的问题,提出了一种尺度自适应同步码字优化(Scale Adaptive Simultaneous Codeword Optimization,SASimCO)算法。设计了一种迭代调整字典尺寸的自适应字典学习策略,将训练的字典用于语音盲分离中,以提高语音源信号的恢复性能。所提算法依据设计的候选矩阵,计算候选矩阵中的原子重要性,按照原子重要性准则对字典进行添加与删除原子操作,最后迭代训练得到一个稀疏表示误差最优的字典,用于语音源信号的恢复。使用SiSEC(Signal Separation Evaluation Campaign)数据集对所提算法进行的仿真实验表明,相较于传统字典学习算法,所提算法提高了1~3 dB语音源分离性能,证明了该算法的优势。

基于自适应多字典学习的单幅图像超分辨率算法

自适应字典学习利用图像结构自相似性,将图像自身作为训练样本,通过字典学习使图像中的相似块在字典下具有稀疏表示形式.本文将全局字典学习中利用图像库获取附加信息的思想融入到自适应字典学习的过程中,提出了一种基于自适应多字典学习的单幅图像超分辨率算法,从低分辨率图像自身与图像库同时获取附加信息.该算法对低分辨率图像金字塔结构中的图像块进行聚类,在聚类结果的引导下将图像库中的图像块进行分类,利用各类中的样本分别构建针对各类的多个字典,从而确定表达重建图像块的最优字典.实验表明,与Sc SR、SISR、NLIBP、CSSS以及m SSIM等算法相比,本文算法具有更好的超分重建效果.

一种基于自适应字典的通用无损压缩算法

对LZ77和LZ78两种算法进行了深入的考察，提出了一种改进的LZ算法LZI（LZ Improved），即，基于LZ78算法和LZ77的混合算法。LZI算法具有LZ78和LZ77相似的计算复杂度和存储复杂度。实验结果表明，LZI算法具有更好的全局与局部自适应性、更高的压缩效率。

基于轴承故障信号特征的自适应冲击字典匹配追踪方法及应用

针对滚动轴承故障特征,提出了一种自适应冲击字典匹配追踪方法。根据轴承故障信号的产生机理,将轴承的转速、尺寸等因素引入到字典中,建立了一种基于故障信号特征的新型字典模型。依据字典模型中各个关键参数对分析结果的影响程度,确定冲击位置信息为首要模型参数,提出了逐次改变特性参数的方法建立自适应字典,使得字典中的每一个原子都与被分析信号有很好的相似度,降低了字典的冗余程度,提高了字典的使用效率。同时结合匹配追踪原理建立了自适应冲击字典匹配追踪的方法。仿真信号,实验信号和工程信号分析结果表明,基于自适应冲击字典匹配追踪方法可以对轴承不同位置的故障进行有效诊断。将该方法与遗传算法匹配追踪进行比较,表明该方法的处理效果更佳。

结合自适应字典学习的稀疏贝叶斯重构

贝叶斯压缩感知是一种基于统计分析的压缩感知算法,具有很好的鲁棒性,能够充分利用信息间的相关性,它的重构依赖于图像的稀疏性表达.针对贝叶斯压缩感知的深层次稀疏化问题,笔者结合自适应字典学习思想,提出一种冗余自适应字典表示的稀疏贝叶斯学习算法.该算法对图像进行局部分块,从待重建图像的迭代中间图像分块中学习字典,并以该字典作为图像的稀疏变换基,通过稀疏贝叶斯学习算法获得稀疏解.实验结果表明,基于自适应字典的贝叶斯学习算法能提高稀疏化,明显改善图像的重构质量.

基于联合图像块聚类自适应字典学习的多模态医学图像融合

针对多模态医学图像融合中过完备自适应字典存在的大量冗余信息会导致图像重建质量不佳的问题,文中提出了基于联合图像块聚类自适应字典学习的多模态医学图像融合方法(JCPD)。该方法首先计算图像块的欧氏距离,通过比较设定的阈值和图像块的最小距离来剔除冗余图像块,减少冗余图像块的数量。然后,使用局部调制核回归(SKR)提取图像块的局部梯度信息作为聚类中心,将具有相同局部梯度信息的两种模态的图像块进行联合图像块聚类。在联合图像块聚类的基础上使用改进的K-SVD算法对图像块聚类形成的类簇进行训练得到子字典,并将子字典合并成自适应字典。最后,在自适应字典的作用下用正交匹配追踪算法(OMP)计算得到稀疏表示系数,再使用“2范数最大”的规则融合稀疏系数,之后通过重建得到融合图像。实验表明,与2种基于多尺度变换的方法和6种基于稀疏表示的方法相比,所提方法在保证字典信息的完整性和字典的紧凑性基础上使得融合的图像清晰度更高、对比度更强,便于临床诊断和辅助治疗。

交叉分辨率自适应字典学习的单帧超分辨率算法

两步自适应字典学习的超分辨率算法易受插值图像影响而导致图像模糊。针对该问题,提出一种改进交叉分辨率自适应字典学习算法。根据自然图像的冗余性,即不同分辨率图像依然有相似的图像块,直接以低分辨率图像作为字典学习对象。为了弥补单帧图像作为字典学习的不足,采用镜像图像进行字典学习,以产生容量更大的字典。输入低分辨率图像,利用新的字典通过稀疏表示获得高分辨率图像,采用峰值信噪比(PSNR)和结构相似性度量(SSIM)评估重建效果。实验结果表明,与立方插值、SUSR、MSS、HLSR算法相比,提出算法的重建图像纹理保留得最好,图像效果更加丰富自然,且算法运行速度较快,在多数情况下具有最高的PSNR值和SSIM值。

基于自适应字典的小样本高光谱图像分类方法

在有限标记样本下,为了有效协同空谱信息提高高光谱图像的分类性能,提出了一种基于自适应字典的小样本高光谱图像分类方法。首先,对高光谱图像进行熵率超像素分割,分析标记样本的超像素区域和光谱近邻,将鉴别力高的样本扩展至标记样本集;然后,在扩展的标记样本集上分析测试样本的空谱信息,对不同的测试样本精简标记样本集,形成自适应字典;最后,在自适应字典上,协同空谱信息重构测试样本,在协同表示中同时考虑重构字典中空谱信息的竞争性。实验结果表明,对比传统的基于光谱的方法和固定窗口尺寸下融合空谱特征的高光谱图像分类方法,在印地安农林数据集上,当训练样本数目仅为样本集数目2%时,本文方法总体分类精度为91.45%,比其他方法高3.48~39.52个百分点;在训练样本数为1%的帕维亚大学数据集上,该方法的总体分类精度达到95.54%,比其他方法高2.45~21.63个百分点,验证了本文方法的有效性。

基于自适应联合字典学习的脑部多模态图像融合方法

针对目前全局训练字典对于脑部医学图像的自适应性不强,以及使用稀疏表示系数的L1范数取极大的融合方式易造成图像的灰度不连续效应进而导致图像融合效果欠佳的问题,提出一种基于自适应联合字典学习的脑部多模态图像融合方法。该方法首先使用改进的K奇异值分解(K-SVD)算法自适应地从已配准的源图像中学习得到子字典并组合成自适应联合字典,在自适应联合字典的作用下由系数重用正交匹配追踪(CoefROMP)算法计算得到稀疏表示系数;然后将稀疏表示系数的"多范数"作为源图像块的活跃度测量,并提出"自适应加权平均"与"选择最大"相结合的无偏规则,根据稀疏表示系数的"多范数"的相似度选择融合规则,当"多范数"的相似度大于阈值时,使用"自适应加权平均"的规则,反之则使用"选择最大"的规则融合稀疏表示系数;最后根据融合系数与自适应联合字典重构融合图像。实验结果表明,与其他三种基于多尺度变换的方法和五种基于稀疏表示的方法相比,所提方法的融合图像能够保留更多的图像细节信息,对比度和清晰度较好,病灶边缘清晰,客观参数标准差、空间频率、互信息、基于梯度指标、基于通用图像质量指标和平均结构相似指标在三组实验条件下的均值分别为:71.078 3、21.970 8、3.679 0、0.660 3、0.735 2和0.733 9。该方法可以应用于临床诊断和辅助治疗。

一种基于自适应核字典学习的SAR目标识别方法

提出一种基于自适应核字典学习的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法.该方法首先将SAR图像的特征信息通过核函数映射到高维度的核空间中并进行字典学习;然后根据更新后的字典动态计算稀疏度;最后依据最小重构误差准则实现SAR目标识别.在公开数据集MSTAR上的仿真实验结果表明,该方法提取到的特征信息可分度高,对SAR目标的识别具有较好的性能.

基于流形的稀疏表示自适应字典实现及应用

传统的稀疏编码码本采用静态基元形式,限制了其泛化能力。将流形思想引入字典的学习过程,创新性地提出了动态基元稀疏编码方法。在学习稀疏基元时,同步计算基元对应的切方向可以确定,因此,提出了稀疏编码动态基元的表示与重构方法。将基于流形的图像自适应字典学习与重构方法用于图像恢复,实验表明所提方法增强了稀疏编码基元的泛化能力,比传统的图像恢复方法提升效果明显。

基于自适应感知字典的超宽带信道估计方法

由于超宽带（UWB）信号稀疏表示冗余字典的原子之间存在较大的相干性，压缩感知UWB稀疏信道估计精度不高。针对该问题，先构造出自适应感知字典，与冗余字典相比，自适应感知字典具有较低的相干性。然后提出自适应正交匹配追踪（AOMP）算法，以适用于稀疏度未知以及较低信噪比下稀疏信号重建。理论分析和仿真结果表明：利用自适应感知字典和AOMP算法可提高含噪压缩感知UWB信道的估计精度。

基于自适应字典学习的动态磁共振并行重建

动态磁共振成像技术在时空扫描精度上不能兼顾,是目前医学界的一个难点。动态磁共振成像数据在时空域具有很强的稀疏特性,使得压缩感知技术被广泛应用于MR图像重建。提出一种基于压缩感知自适应字典学习的动态磁共振并行重建方法,以高精采样的第一帧作为参考,实现对任意n个相邻帧的dMRI图像子序列的实时并行重建。与目前国际上比较先进的两种方法DTV和kt-SLR进行比较,实验结果表明该算法在重建精度方面具有一定优势。

自适应字典压缩算法中的误码传播分析

在分析LZ77算法编译码原理的基础上,讨论了输入误码对译码字典和解压数据的影响,研究了误码传播问题。指出这些工作为消除误码传播、保证数据完整性具有重要意义。

基于颜色自适应字典的双相机光谱系统重建算法

通过将快照编码孔径光谱成像和普通RGB彩色成像结合,双相机光谱成像系统能够高效地获取场景的光谱信息,具有广阔的应用前景.如何高质量地从压缩采样中重建高光谱图像是该系统需要解决的重要问题.根据高光谱图像与彩色图像在空间结构和光谱响应上的相关性,本文了提出一种基于颜色自适应字典的重建算法,用以提高双相机光谱成像系统的重建质量.首先,利用RGB观测分别训练三通道非负字典.然后,以彩色相机的光谱响应曲线为指导,为每一个谱带选择光谱相关性最大的字典.最后,完成高光谱图像的稀疏重建.高光谱数据库和遥感数据库的仿真结果均表明,本文提出的算法能够大幅度提升双相机光谱成像系统的重建质量.

基于自适应对偶字典的磁共振图像的超分辨率重建

为了提高磁共振成像的图像质量,提出了一种基于自适应对偶字典的超分辨率去噪重建方法,在超分辨率重建过程中引入去噪功能,使得改善图像分辨率的同时能够有效地滤除图像中的噪声,实现了超分辨率重建和去噪技术的有机结合。该方法利用聚类—PCA算法提取图像的主要特征来构造主特征字典,采用训练方法设计出表达图像细节信息的自学习字典,两者结合构成的自适应对偶字典具有良好的稀疏度和自适应性。实验表明,与其他超分辨率算法相比,该方法超分辨率重建效果显著,峰值信噪比和平均结构相似度均有所提高。

地震数据自适应多层字典学习稀疏表示方法

基于压缩感知(Compressed Sensing, CS)地震数据重构的精度很大程度上取决于用于稀疏表示字典的性能。在K—奇异值分解(K-Singular Value Decomposition,K-SVD)方法中每个训练样本的稀疏级别是固定的,这可能导致原始样本在稀疏表示过程中产生欠拟合或过拟合问题;而且它只使用原始样本的特征作为训练字典,无法利用样本在字典学习过程中产生的隐式特征,从而影响地震数据的重构精度。为此,对K-SVD方法进行了改进,采用自适应多层字典学习(Adaptive Multilayered Dictionary Learning, AMDL)方法对地震数据进行稀疏表示,不但可在字典学习过程中充分利用不同层次的特征,而且还可自适应地确定每一层所选择的原子数。试验结果表明,与K-SVD方法相比,该方法能够为基于CS的地震数据重构提供更准确的稀疏表示。

基于自适应字典稀疏表示的超分辨率算法

基于学习的超分辨率算法通过一组训练样例来学习一个字典,并从该字典中合成低分辨率图像中丢失的高频信息,最终得到相应的高分辨率图像。介绍了几种常用的基于学习的超分辨率算法,并提出了一种新的算法:基于自适应字典稀疏表示的超分辨率算法。实验结果表明,该方法在主观与客观上均具有较好的重建效果。